Learning Influence Probabilities In Social Networks
-
Amit Goyal, Francesco Bonchi, Laks V.S. Lakshmanan
-
WSDM 2010
概要
-
情報拡散の確率を学習したい
-
色々モデル提案
-
アクティブになる時刻も推定できるよ
問題定義
-
辺が作成されたタイムスタンプの考える
-
(u, a, t_u)が一杯もらえる
-
(u,v)について,u,vの順に行動して,辺の作成時刻に矛盾が無ければ,uからvに伝搬した
-
各行動について,↑でありうる辺を取ってきた時の伝播グラフを考える
枠組み?
-
uの近傍のアクティブユーザーをSとして
-
p_u(S)≧θ_u ならuもアクティブになる
-
p_u(S) = 1-Π_u (1-p_vu) にする
-
User Influenceability
-
Action Influenceability
モデル
Static Models
-
時刻とか無視
-
Bernoulli 分布
-
p_uv = A_u2v/A_u
-
uがアクティブになった時に,vをアクティブにした確率
-
Jaccard Index
-
Partial Credits
Continuous Time (CT) Models
-
連続時刻を考える
-
p^t_uv = p^0_uv・e^{-(t-t_u)/τ_uv}
-
時刻tで試行が成功する確率が指数的に減る
Discrete Time (DT) Models
-
離散
-
t_vから長さτ_uvの区間だけ有向で他は0
-
p_u(S)も違う?
-
というより,Sが変化した時に簡単に確率p_u(S)を更新できる
アルゴリズム
-
学習・評価のための手法を考える
-
データのパス数を少なくしたい
-
学習はまー適当に頑張る
-
評価手法
-
ROCカーブを出す
-
実際の評価とモデルの評価の違いでtrue positiveとか出す
実験
-
Flickr
-
`joining a group'が行動に相当
-
グループ毎に行動の種類が設定されるのかな
-
ROC
-
Staticよりは他の2つの方がよい
-
確率が高い頂点に関する予測の方が精度が良い
-
スケーラビリティ
まとめ
-
実際のデータなので面白いかも
-
適当感あるけど,これでいいのでるんかな
WSDM inference
2014-02-23 04:04:45 (Sun)
最終更新:2014年02月23日 04:04